Chạy một bài phân tích Mô hình Phương trình Cấu trúc (SEM) trên AMOS là một quy trình nhiều bước, đòi hỏi sự hiểu biết về lý thuyết thống kê và thao tác phần mềm. Dưới đây là trình tự cơ bản và các yếu tố ảnh hưởng đến quá trình này:
Trình tự chạy một bài SEM trên AMOS
Trình tự chung để thực hiện phân tích SEM trên AMOS thường đi từ việc kiểm tra dữ liệu sơ bộ đến xây dựng và đánh giá mô hình cuối cùng:
Giai đoạn 1: Chuẩn bị dữ liệu và kiểm định sơ bộ (trên SPSS/phần mềm khác)
Mã hóa và nhập liệu: Chuẩn bị dữ liệu từ bảng hỏi/khảo sát vào phần mềm SPSS hoặc Excel. Đảm bảo mã hóa đúng loại biến (định danh, thứ tự, định lượng) và giá trị của chúng.
Làm sạch dữ liệu: Kiểm tra và xử lý dữ liệu thiếu (missing data), giá trị ngoại lai (outliers), và các lỗi nhập liệu.
Thống kê mô tả: Chạy thống kê mô tả (tần số, trung bình, độ lệch chuẩn) để hiểu đặc điểm của mẫu và phân phối của các biến.
Kiểm tra độ tin cậy của thang đo (Reliability Analysis – Cronbach’s Alpha):
Mục đích: Đảm bảo các biến quan sát trong cùng một thang đo (thường là các biến đo lường một nhân tố tiềm ẩn) có sự nhất quán nội bộ.
Thực hiện: Trên SPSS, vào Analyze > Scale > Reliability Analysis.
Tiêu chí: Cronbach’s Alpha thường được chấp nhận khi lớn hơn 0.7 (có thể chấp nhận từ 0.6 cho các nghiên cứu khám phá).
Phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA):
Mục đích: Khám phá cấu trúc tiềm ẩn của các thang đo trong trường hợp bạn chưa có giả định rõ ràng về các nhân tố hoặc muốn xác nhận lại cấu trúc lý thuyết với dữ liệu của mình. Giúp gom nhóm các biến quan sát thành các nhân tố (biến tiềm ẩn) hợp lý.
Thực hiện: Trên SPSS, vào Analyze > Dimension Reduction > Factor.
Tiêu chí: Các chỉ số KMO, Bartlett’s Test, eigenvalue, tổng phương sai trích, ma trận xoay (rotated component matrix/factor matrix) để xác định số lượng nhân tố và các biến quan sát thuộc về nhân tố nào. Loại bỏ các biến không đạt yêu cầu (hệ số tải nhỏ, tải chéo…).
Giai đoạn 2: Xây dựng và đánh giá Mô hình Đo lường (Measurement Model – CFA) trên AMOS
Chuyển đổi dữ liệu: Đảm bảo file dữ liệu SPSS đã được lưu ở định dạng mà AMOS có thể đọc (thường là .sav).
Mở AMOS và liên kết dữ liệu: Khởi động AMOS, chọn File > Data Files > New…, rồi duyệt đến file .sav của bạn.
Vẽ mô hình đo lường (CFA Diagram):
Vẽ các biến tiềm ẩn (latent variables) bằng hình bầu dục.
Vẽ các biến quan sát (observed variables/items) bằng hình chữ nhật và kéo biến tương ứng từ danh sách biến trong dataset vào từng hình chữ nhật.
Vẽ các mũi tên một chiều từ biến tiềm ẩn đến các biến quan sát (hệ số tải nhân tố – factor loadings).
Vẽ các mũi tên cong hai chiều giữa các biến tiềm ẩn (tương quan giữa các nhân tố).
Vẽ các mũi tên cong hai chiều giữa các phần dư của biến quan sát (nếu có tương quan sai số).
Vẽ các mũi tên hai chiều hình cung cho các phần dư (error terms) của biến quan sát (biểu thị phần phương sai không được giải thích bởi nhân tố tiềm ẩn).
Gán giá trị 1 cho một trong các mũi tên tải nhân tố từ mỗi nhân tố tiềm ẩn đến một biến quan sát của nó (để định chuẩn thang đo cho nhân tố tiềm ẩn).
Gán tên cho tất cả các phần dư.
Thiết lập phân tích (Analysis Properties):
Vào Analyze > Analysis Properties… hoặc nhấp vào biểu tượng hộp công cụ.
Trong tab Output, tích chọn các mục cần thiết: Standardized estimates, Squared multiple correlations, Modification indices (quan trọng cho điều chỉnh mô hình), Covariances of estimates, v.v.
Nếu dữ liệu không phân phối chuẩn đa biến, bạn nên xem xét sử dụng các tùy chọn ước lượng robust (ví dụ: Bootstrap, hoặc các ước lượng khác trong tab “Method”).
Chạy mô hình (Calculate Estimates): Nhấp vào biểu tượng “Calculate estimates” (thường là một mũi tên xuống).
Đánh giá mô hình đo lường (Model Fit – CFA): Xem kết quả trong cửa sổ Output Text và trên Diagram.
Chỉ số Chi-square (χ
2
) và p-value: Thường thì p-value nên lớn hơn 0.05, nhưng với mẫu lớn, chỉ số này rất nhạy cảm và thường có ý nghĩa thống kê ngay cả khi mô hình phù hợp. Do đó, cần xem xét các chỉ số khác.
χ
2
/df (CMIN/DF): Tỷ số Chi-square trên bậc tự do. Nên < 3 hoặc < 5 tùy thuộc vào trường phái.
RMSEA (Root Mean Square Error of Approximation): Nên < 0.08 (tốt hơn là < 0.06).
CFI (Comparative Fit Index) và TLI (Tucker-Lewis Index)/NFI (Normed Fit Index): Nên > 0.90 (tốt hơn là > 0.95).
GFI (Goodness of Fit Index) và AGFI (Adjusted Goodness of Fit Index): Nên > 0.90 (thường được coi là ít quan trọng hơn CFI/TLI).
SRMR (Standardized Root Mean Square Residual): Nên < 0.08.
Độ hội tụ (Convergent Validity): Kiểm tra các hệ số tải nhân tố (standardized factor loadings) phải lớn hơn 0.5 (tốt nhất là > 0.7) và có ý nghĩa thống kê (p < 0.05). Tính toán Phương sai trích trung bình (AVE) phải > 0.5 và Độ tin cậy tổng hợp (CR) phải > 0.7.
Độ phân biệt (Discriminant Validity): So sánh căn bậc hai của AVE của mỗi nhân tố với tương quan giữa nhân tố đó với các nhân tố khác. Căn bậc hai AVE phải lớn hơn tương quan.
Điều chỉnh mô hình đo lường (nếu cần): Dựa vào các chỉ số điều chỉnh (Modification Indices – MI), có thể thêm mối tương quan giữa các sai số hoặc xem xét loại bỏ biến quan sát không phù hợp.
Giai đoạn 3: Xây dựng và đánh giá Mô hình Cấu trúc (Structural Model – SEM) trên AMOS
Vẽ mô hình cấu trúc: Từ mô hình đo lường đã phù hợp, thêm các mũi tên một chiều giữa các biến tiềm ẩn để thể hiện các mối quan hệ nhân quả/giả thuyết của bạn (ví dụ: A tác động đến B, B tác động đến C).
Chạy mô hình (Calculate Estimates): Chạy lại phân tích.
Đánh giá mô hình cấu trúc:
Độ phù hợp của mô hình tổng thể (Overall Model Fit): Kiểm tra lại các chỉ số model fit tương tự như CFA. Nếu mô hình cấu trúc phù hợp, điều đó có nghĩa là các mối quan hệ được đề xuất phù hợp với dữ liệu.
Kiểm định giả thuyết (Hypothesis Testing):
Xem xét các hệ số hồi quy chuẩn hóa (Standardized Regression Weights) giữa các nhân tố tiềm ẩn.
Xem xét giá trị p-value (Sig.) hoặc giá trị критичний (C.R. – Critical Ratio) của các mối quan hệ. Nếu p < 0.05 (hoặc C.R. > 1.96), mối quan hệ có ý nghĩa thống kê.
Xem xét dấu của hệ số để biết tác động là dương hay âm, và độ lớn của hệ số để biết mức độ tác động.
R-squared (Squared Multiple Correlations): Xem xét giá trị R
2
cho các biến tiềm ẩn phụ thuộc để biết tỷ lệ phương sai của chúng được giải thích bởi các biến tiềm ẩn độc lập.
Kiểm định Bootstrap (nếu cần): Nếu dữ liệu không chuẩn hoặc bạn muốn kiểm định các tác động gián tiếp (tác động trung gian), nên sử dụng phương pháp Bootstrap để có ước lượng sai số chuẩn và khoảng tin cậy chính xác hơn.
Điều chỉnh mô hình cấu trúc (nếu cần): Dựa trên MI hoặc lý thuyết, có thể thêm/bớt mối quan hệ giữa các nhân tố hoặc điều chỉnh lại mô hình.
Các yếu tố phụ thuộc khi chạy SEM trên AMOS
Việc chạy SEM trên AMOS và chất lượng của kết quả phụ thuộc vào nhiều yếu tố:
Chất lượng dữ liệu:
Cỡ mẫu: Cỡ mẫu đủ lớn là cực kỳ quan trọng cho SEM. SEM là kỹ thuật thống kê đa biến, yêu cầu cỡ mẫu lớn hơn so với hồi quy thông thường để có các ước lượng ổn định và các kiểm định đáng tin cậy. (Quy tắc ngón tay cái: ít nhất 200 mẫu, hoặc 10-20 quan sát trên mỗi tham số được ước lượng).
Phân phối dữ liệu: Mặc dù AMOS có các phương pháp ước lượng robust, nhưng dữ liệu có phân phối chuẩn đa biến sẽ cho kết quả tốt nhất khi sử dụng phương pháp Maximum Likelihood (ML) mặc định. Nếu dữ liệu không chuẩn, cần sử dụng các phương pháp ước lượng khác như MLR (Maximum Likelihood Robust) hoặc WLSMV (Weighted Least Squares Means and Variance adjusted) cho dữ liệu thứ tự.
Dữ liệu thiếu (Missing Data): Cách xử lý dữ liệu thiếu (ví dụ: listwise deletion, pairwise deletion, imputation) ảnh hưởng đến kết quả. AMOS có các phương pháp xử lý dữ liệu thiếu tiên tiến hơn.
Giá trị ngoại lai (Outliers): Outliers có thể làm sai lệch các mối tương quan và ước lượng tham số, ảnh hưởng đến độ phù hợp của mô hình.
Độ phức tạp của mô hình:
Mô hình càng phức tạp (càng nhiều biến tiềm ẩn, biến quan sát, và mối quan hệ) thì yêu cầu cỡ mẫu càng lớn và việc đạt được độ phù hợp càng khó khăn.
Số lượng tham số cần ước lượng.
Lý thuyết nền tảng của mô hình:
Mô hình SEM phải được xây dựng dựa trên cơ sở lý thuyết vững chắc. Các mối quan hệ trong mô hình cần có lý do khoa học để tồn tại. SEM không phải là công cụ để “khám phá” mối quan hệ một cách ngẫu nhiên.
Sự phù hợp lý thuyết là yếu tố tiên quyết cho một mô hình SEM có ý nghĩa.
Chất lượng của thang đo:
Các thang đo phải có độ tin cậy (reliability) và độ giá trị (validity) tốt (kiểm tra qua Cronbach’s Alpha, EFA, CFA). Nếu các thang đo không tốt, các nhân tố tiềm ẩn sẽ không được đo lường chính xác, dẫn đến kết quả SEM không đáng tin cậy.
Kỹ năng của người phân tích:
Hiểu biết về lý thuyết SEM và các giả định của nó.
Kinh nghiệm sử dụng phần mềm AMOS để vẽ mô hình, thiết lập các tùy chọn, và diễn giải kết quả.
Khả năng chẩn đoán và điều chỉnh mô hình khi cần thiết (dựa trên MI, các chỉ số fit).
Các vấn đề thống kê:
Đa cộng tuyến (Multicollinearity): Nếu các biến độc lập có tương quan quá cao với nhau, có thể gây ra vấn đề trong ước lượng hệ số và làm cho mô hình không ổn định.
Xích đạo (Identification): Mô hình phải được xác định (identified) để có thể ước lượng được các tham số. Nếu không, AMOS sẽ báo lỗi.
Việc thực hiện SEM trên AMOS đòi hỏi một quá trình học hỏi và thực hành. Hãy bắt đầu với các mô hình đơn giản và dần dần tăng độ phức tạp khi bạn đã thành thạo các bước cơ bản và hiểu rõ các chỉ số đánh giá.